پیش بینی شکاف دارایی- بدهی پویا در صنعت بانکداری ایران کاربرد الگوی عصبی- فازی تطبیقی و الگوی حافظه بلندمدت (مطالعه موردی: یک بانک خصوصی)
الموضوعات :عبدالرسول قاسمی 1 , جاوید بهرامی 2 , ثریا شعبانی جفرودی 3
1 - دانشیار اقتصاد، دانشکده اقتصاد دانشگاه علامه طباطبایی، تهران، تهران.ایران.
2 - دانشیار اقتصاد، دانشکده اقتصاد دانشگاه علامه طباطبایی، تهران، ایران
3 - دانشجوی دکتری اقتصاد دانشگاه علامه طباطبائی تهران، تهران.ایران.
الکلمات المفتاحية: C53, G21, G32, واژه‌های کلیدی:مدیریت نقدینگی بانکها, الگوی عصبی تطبیقی سازگار, الگوی حافظه بلندمدت, بانکهای خصوصی. طبقه بندی JEL:C45,
ملخص المقالة :
مدیریت صحیح نقدینگی در قالب توانایی افزایش وجوه و انجام به موقع تعهدات، لازمه ادامه حیات بانک ها است؛ مدیریت مناسب نقدینگی می تواند از احتمال وقوع مشکلات جدی بانک بکاهد. در واقع با توجه به اینکه کمبود نقدینگی در یک بانک می تواند پیامدهای گسترده سیستمی در برداشته باشد، اهمیت نقدینگی برای هر بانک ورای هر موضوع دیگری اهمیت مضاعفی دارد..بانک ها برای افزایش سودآوری می بایست همواره نظارت دقیقی بر روی دارایی ها و بدهی های خود داشته باشند تا بتوانند نقدینگی حاصل از عملیات بانکی را به بهترین شکل ممکن مدیریت کنند.برآورد شکاف سررسیدی دارایی- بدهی در بازه های زمانی آتی یکی از اقدامات اساسی در راستای مدیریت بهینه نقدینگی ومشخص کردن توان بالقوه بانک در برابر هرگونه کسر یپیشرو است. در این مقاله محاسبه شکاف دارایی- بدهی بر اساس دو الگوی عصبی- فازی تطبیقی و مدل سازی الگوی حافظه بلندمدت (آرفیما) صورت پذیرفته است. نتایج حاصل از پژوهش نشان می دهد هر چند دقت هر دو الگو در پیش بینی شکاف پویا بالا بوده است؛ با این وجود نتایج حاصل از مدل سازی با استفاده از الگوی حافظه بلندمدت از دقت بالاتری در این خصوص برخوردار است و بنابراین بانک ها می توانند جهت برآورد وضعیت بلندمدت شکاف دارایی- بدهی و در نتیجه شناسایی میزان منابع مازاد نقدینگی خود از این الگو استفاده نمایند. واژه‌های کلیدی:مدیریت نقدینگی بانکها، الگوی عصبی تطبیقی سازگار،الگوی حافظه بلندمدت، بانکهای خصوصی. طبقه بندی JEL:C45;C53;G21;G32
1) احمدی شالی، جعفر؛ وصفی، مهدی (1396)؛ پیش بینی نقدینگی بر اساس برآورد نقطه ای و بازه ای روش آریما و مقایسه آن با روش هموارسازی نمایی دوگانه، فصلنامه اقتصاد مالی، شماره چهل ام، پاییز ، 159-175.
2) اسماعیل زاده، علی؛ جوانمردی، حلیمه (1396)؛ طراحی الگوی مناسب مدیریت نقدینگی و پیش بینی ریسک آن در بانک صادرات ایران، فصلنامه اقتصاد مالی، شماره سی و نهم، تابستان، 171-191.
3) بختیاری،حسن(1385)، روشهایمؤثرمدیریتنقدینگیدربانکها، مجله حسابرس،شماره 34، ص 86-94.
4) پدرام، مهدی و دیگران(1387)، پیش بینی جریان نقدینگی بانک به منظور تعیین شکاف نقدینگی (یکی از بانک های خصوصی)، مجله مطالعات مالی، پیش شماره دوم، پاییز.
5) تقوی، مهدی؛ لطفی،علیاصغر(1385)؛بررسیاثراتسیاستهایپولیبرحجمسپردهها وتسهیلاتاعطاییونقدینگی نظامکشور،فصلنامه پژوهشهایاقتصادیایران، شماره 26.
6) دیواندری، علی و همکاران(1383)، طراحی مدل پیش بینی در مدیریت نقدینگی نهادهای مالی در چارچوب نظام بانکداری بدون ربا با استفاده از شبکه های عصبی"، پیام مدیریت، تابستان و پاییز، شماره 11و 12، صفحه 23-58.
7) سوری،داوود؛وصال،محمد(1387)؛ روشهاینوینتأمینمالیومدیریتنقدینگیدربانک، مجموعه مقالات نوزدهیمن سمینار بانکداری اسلامی، مؤسسه عالی بانکداری، ص 231-247.
8) صالحی، مهدی؛ زمانی مقدم، سمانه(1393)؛ بررسی وجود حافظه بلندمدت در شاخص های بورس اوراق بهادار تهران و تاثیر آن بر تئوری بازار کارا از نوع ضعیف، راهبرد مدیریت مالی، شماره چهارم، بهار، 59-71.
9) صمدی پور، راضیه(1391)، "بررسی و ارزیابی عوامل موثر بر مدیریت بازاریابی جذب نقدینگی در سطح بانک تجارت با استفاده از تکنیک AHP و TOPSIS"، مقطع کارشناسی ارشد، دانشگاه آزاد اسلامی، واحد تهران مرکز.
10) عباسی نژاد، حسین و دیگران(1392)؛ تحلیل و پیش بینی اثرات غیرخطی در بازار نفت؛ برنامه ریزی و بودجه، پاییز، 21-48.
11) عرفانی، علیرضا(1387)، "پیش بینی شاخص کل بورس اوراق بهادار تهران با مدل ARFIMA"، پژوهش نامه علوم انسانی و اجتماعی (علوم اقتصادی)، شماره 28، 76-92.
12) علم الهدی، سید سجاد(1397)؛ بانکداری اسلامی و ریسک یک تحلیل تطبیقی، فصلنامه اقتصاد مالی، شماره چهل و چهارم، پاییز، 69-86.
13) کهنموییثابت،معصومه(1385)؛ طراحیواجرایمدلبهینهمدیریتنقدینگیبانکها، مجموعهمقالاتهجدهمینهمایشبانکداریاسلامیتهران، مؤسسهعالیآموزش بانکداریایران.
14) محمدی، تیمور؛ طالبلو، رضا(1389)؛ پویاییهای تورم و رابطه تورم و عدم اطمینان اسمی با استفاده از الگوی Arfima-Garch، پژوهشنامه اقتصادی، بهار، 137-170.
15) موسویان، سید عباس؛ کاوند، مجتبی(1389)؛ مدیریت نقدینگی در بانکداری اسلامی، معرفت اقتصادی، پاییز و زمستان، صفحه 35-63.
16) Amenc, N., Martellini, L. and Ziemann, V (2009), Inflation-Hedging Properties of Real Assets and Implications for Asset–Liability Management Decisions. The Journal of Portfolio Management, 35(4), pp.94-110.
17) Barkoulas,J. TBaum, C.F.(1996), long-term dependence in stoch returns economics letters,Volume 53, Issue 3, 253-259.
18) Chakroun, F. and Abid, F. (n.d.)(2013), A Multiobjective Model for Bank Asset Liability Management: The Case of a Tunisian Bank. SSRN Electronic Journal.
19) Dash Jr, Gordon H, and Nina Kajiji(2005), A nonlinear goal programming model for efficient asset-liability mamangement of property-liability insurers, Information Systems and Operational Research 43 (2), pp.135-156.
20) Fausett, L. (1994), Fundamentals of neural networks architectures algorithms and applications. Prentice-Hall Inc. New Jersey. 476 pp.
21) Haoffi, Z. Guoping, X., Fagting, Y. and Han, Y. (2007), A Neural Network Model Based on the Multi-Stage
22) Jang, J. S.R. (1993), ANFIS: adaptive-network-based fuzzy inference system, IEEE Transactions on Systems, Man and Cybernetics 23, 665-685.
23) Jang, J.S.R., Sun, C.T. and Mizutani, E. (1997), A computational approach to learning and machine intelligence. Neuro-Fuzzy and Soft Computing, Upper Saddle River, NJ: Prentice-Hall.
24) Kosmidou, kyriaki, and constantin Zopounidis(2004),"combinig goal programming model with simulation analysis for bank asset liability management" ,Information Systems and Operational Research 42(3), pp.175-187.
25) Lileikienė, Angelė(2015), Analysis of Chosen Strategies of Asset and Liability Management in Commercial Banks." Engineering Economics 57(2 ).
26) Manish Kumar, Ghanshyam Chand Yadav (2013), liquidity risk management in bank:a conceptual framework, AIMA Journal of Management & Research,Volume 7, Issue 2/4.
27) Nayak, P.C., Sudheer, K.P., Rangan, D.M. & Ramasastri, K.S. (2004), A Neuro-Fuzzy Computin Technique For Modeling Hydrological Time Series, Journal of Hydrology.
28) Nezamkhiavi, Kh.S. and K. Nezamkhiavi ( 2010), Usage of Adaptive neuro-fuzzy inference system
29) (ANFIS) in river suspended sediment load estimation (case study: Gharesoo River in Ardabil province). Iran. 9th Hydraulic Conference. Tarbiat Modares University. (In Persian)
30) Ross, T.J. (1995), Fuzzy logic with engineering application, McGraw Hill Inc. USA. 585 pp.
31) Sabziparvar, A.A. and M. Bayat Varkeshi.( 2010), Accuracy evaluation of ANN and Neuro-Fuzzy in global solar radiation, Iranian Journal of Physics Research. 10: 347-357. (In Persian)
32) Timothy W. Koch, Scott MacDonald(2003), Book: " Bank Management", South-Western College Publishing, Mason, Ohio.
33) Wang, Jie-Sheng, Ning, chen-xu, (2015), ANFIS based time series prediction method of bank cash flow optimized by adaptive population activity PSO algorithm, information, pp.300-313.
34) Wang, l.sh, Ning, ch,x. & Cui, w.h.(2014), Time Series Prediction Method of Bank Cash Flow and Simulation Comparison, University of Science and Technology Liaoning.
35) Wang, l.sh, Ning, ch,x. & Cui, w.h.(2015), Time Series Prediction of Bank Cash Flow Based on Grey Neural Network Algorithm. School of Electronic and Information, University of Science and Technology Liaoning.
36) Zounemat-Kermani, M. and Teshnelab. M (2008), Using Adaptive Neuro-Fuzzy Inference System For Hydrological Time Series Prediction, Applied Soft Computing, 8 (1), pp 928-936.
یادداشت‌ها
